Remote Sensing Active Fire Detection Tools Support Growth Reconstruction for Large Boreal Wildfires
Notice bibliographique
Résumé
Spatial and temporal estimates of burned areas are often used to model greenhouse gas and air pollutant emissions from fire events that occur in a region of interest and over specified time frames. However, fire behaviour, fuel consumption, fire severity, and ecological effects vary over both time and space when a fire grows across varying fuels and topography under different environmental conditions. We developed a method for estimating the progression of individual wildfires (i.e., day-of-burn) employing ordinary kriging of a combination of different satellite-based active fire detection data sources. We compared kriging results obtained using active fire detection products from the Moderate Resolution Imaging Spectroradiometer (MODIS), the Visible Infrared Imaging Radiometer Suite (VIIRS), and combined MODIS and VIIRS data to study how inferences about a wildfire’s evolution vary among data sources. A quasi-validation procedure using combined MODIS and VIIRS active fire detection products that we applied to an independent data set of 37 wildfires that occurred in the boreal forest region of the province of Ontario, Canada, resulted in nearly half of each fire’s burned area being accurately estimated to within one day of when it actually burned. Our results demonstrate the strengths and limitations of this geospatial interpolation approach to mapping the progression of individual wildfires in the boreal forest region of Canada. Our study findings highlight the need for future validations to account for the presence of spatial autocorrelation, a pervasive issue in ecology that is often neglected in day-of-burn analyses.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».